Professional Documents
Culture Documents
Predavanja 4 Iz PRIMS - A 2011 - 2012
Predavanja 4 Iz PRIMS - A 2011 - 2012
(3.1)
a21 a2 2 . . . a2n
,x =
A=
.. . .
..
...
. .
.
an1 an2 . . . ann
Broj
(3.2)
sistema), a x i b su vektori kolone,
x1
x2
,b =
..
.
xn
b1
b2
..
.
bn
(3.3)
jednaina moe biti i drugaiji od n, ali je u veini inenjerskih problema jednak broju nepoznanica.
3.1
Direktne metode
3.1.1
Cramerovo pravilo
det(Aj )
det(A)
(j = 1, 2, . . . , n)
(3.4)
b1
b2
x1 =
a11
a21
38
a12
a22
a12
a22
(3.5)
a11
a21
x2 =
a11
a21
b1
b2
a12
a22
(3.6)
U ovom sluaju determinante se vrlo lako izraunaju pomou pravila dijagonala. Meutim, za sisteme sa vie jednaina to pravilo ne vai i neophodno
je koristiti metodu kofaktora. Broj mnoenja i dijeljenja pri koritenju metode
kofaktora jednak je (n 1)(n + 1)!, pri emu je n dimenzija kvadratne matrice.
Lako je izraunati da je za sluaj 10 jednaina, koji predstavlja mali sistem jednaina, broj operacija jednak 360,000,000, a za samo 100 jednaina ovaj broj
je reda 10157 . Oigledno je da Cramerovo pravilo nije efikasno u rjeavanju
velikih sistema jednaina, tako da je neophodno koristiti neke druge metode.
3.1.2
Metode eliminacije
(3.7a)
39
(3.7b)
(3.7c)
Rjeenje
Postupak rjeavanja poinje rjeavanjem jednaine (3.7a) za nepoznanicu
x1 . Na taj nain imamo:
x1 = [20 (20)x2 (20)x3 ]/80
(3.8)
(3.9a)
(3.9b)
(3.10a)
(3.10b)
(3.11)
(3.12)
(3.13a)
(3.13b)
(3.13c)
(3.14a)
(3.14b)
(3.14c)
80 20 20 20
40 20 20
[A|b] = 20
(3.15)
20 20 130 20
Sve informacije se sada mogu
80 20 20
(a)
40 20
(b) 20
(c)
20 20 130
(a)
80 20 20
(b) 0
35 25
(c)
0 25 125
i konano
(a)
80 20
20
(b)
0
35
25
(c)
0
0 750/7
20
(20/80)+(b),(20/80)+(c)
20
20
20
25 (25/35)+(c)
25
20
x1 = 0.60
25 x2 = 1.00
300/7
x3 = 0.40
(3.16)
(3.17)
(3.18)
2. U sluaju da su elementi po dijagonalama mnogo manji od ostalih elemenata u jednainama, moe doi do znaajne greke zaokruivanja, to,
pak, moe dovesti do pogrenih rjeenja. U tom sluaju vri se skaliranje
glavnog elementa, odnosno matrica se podesi da glavni elemenat bude
po apsolutnoj vrijednosti vei od ostalih elemenata u toj koloni. I ovaj
postupak se izvodi za zamjenom mjesta redova.
Primjer 3.2
Rijeiti sljedei sistem jednaina, prikazan u matrinoj formi:
5
x1
0 2
1
4 1 1 x2 = 3
5
2 3 3
x3
(3.19)
Rjeenje
Kao to se moe vidjeti, prvi elemenat jednak je nuli, tako da je zamjena
redova neophodna. Najvei elemenat po apsolutnoj vrijednosti u prvoj koloni,
ispod glavnog elementa, nalazi se u drugom redu, tako da vrimo zamjenu
prvog i drugog reda.
(a)
4 1 1 3
(0/4)+(b),(2/4)+(c)
(b) 0 2
1 5
(3.20)
(c)
2 3 3
5
pa se dobija proirena matrica:
4
1
1 3
0
2
1 5
0 7/2 7/2 7/2
(3.21)
Iako u ovom sluaju elemenat na glavnoj dijagonali druge jednaine nije jednak
nuli, on je po apsolutnoj vrijednosti manji od elementa ispod njega, tako da
je opet neophodno izvesti zamjenu redova. Treba napomenuti da se zamjena
redova vri samo na redovima ispod trenutnog glavnog elementa, jer bi se u
suprotnom mogao naruiti proces eliminacije koji je do tada obavljen. Nakon
zamjene drugog i treeg reda imamo:
(a)
4
1
1 3
(b) 0 7/2 7/2 7/2 (4/7)+(c)
(3.22)
(c)
5
0
2
1
42
i konano
4
1
1 3
x1 = 1
0 7/2 7/2 7/2 x2 = 2
0
0
3 3
x3 = 1
(3.23)
Prethodno opisani proces eliminacije, ipak, moe da proizvede greke zaokruivanja, pa se u tu svrhu koristi proces skaliranja jednaina. To se deava
kada je glavni elemenat po apsolutnoj vrijednosti manji od ostalih elemenata
u istom redu. Skaliranje se, u tom sluaju, izvodi samo kako bi se odabrao
glavni elemenat. Sljedei primjer pokazuje upotrebu procesa skaliranja u svrhu
izbora glavnog elementa.
Primjer 3.3
Provjeriti prednosti procesa skaliranja na sistemu jednaina:
3
2 105
x1
104
2 3 103 x2 = 98
1
1
3
x3
3
(3.24)
(a)
3
2 105 104
(0.667)+(b),(0.333)+(c)
(b)
2 3 103 98
(3.25)
(c)
1
1
3 3
(a)
3
2 105 104
(b) 2 4.33
33 28.6 (0.077)+(c)
(3.26)
(c)
0 0.334 32 31.6
3
2
105 104
2 4.33
33 28.9
(3.27)
0
0 29.5 29.4
Iz posljednje jednaine se zamjenom unazad dobija rjeenje: x3 = 0.997, x2 =
0.924 i x3 = 0.884, to se ne slae dobro sa tanim rjeenjem. Rjeenje je
pogreno zbog greke zaokruivanja na tri znaajne cifre.
43
Kao to je ranije reeno, ove greke se mogu znatno smanjiti ako se primijeni
proces skaliranja. Prije izvrenja prvog koraka u procesu eliminacije (izjednaavanje elemenata ispod glavnog elementa sa nulom), potrebno je skalirati sve
elemente prve kolone sa najveim elementom u njihovom redu, uzimajui u
obzir samo elemente matrice sistema (A), pa je:
3/105
0.0286
a1 = 2/103 = 0.0194
(3.28)
1/3
0.3333
gdje se vektor a1 sastoji od skaliranih elemenata prve kolone. Jasno je da je
trei elemenat vektora a1 najvei po apsolutnoj vrijednosti, to znai da prva i
trea jednaina datog sistema trebaju zamijeniti mjesta, Na taj nain imamo:
(2/1)+(b),(3/1)+(c)
1
1
3 3
(a)
(b)
2 3 103 98
(3.29)
3
2 105 104
(c)
(a)
1
1 3 3
(b) 0 5 97 92 (1/5)+(c)
(3.30)
(c)
0 1 96 95
Ponovnim skaliranjem, imamo da je:
a2 = 5/97 = 0.0516
1/96
0.0104
(3.31)
1
1
3
3
0 5
97 92
(3.32)
0
0 76.6 76.6
odakle se dobiva tano rjeenje: x3 = 1, x2 = 1 i x3 = 1.
Prethodno opisana metoda eliminacije se naziva i Gaussova metoda eliminacije. Ona je najvanija i najkorisnija direktna metoda za rjeavanje sistema
linearnih algebarskih jednaina. Sve ostale direktne metode, kao na primjer,
44
Gauss-Jordanova, matrina, metode faktorizacije, Thomasov algoritam za tridijagonalne sisteme, itd., predstavljaju modifikacije ili proirenja Gaussove
metode.
Broj mnoenja i dijeljenja koji koristi Gaussova metoda eliminacije priblino
je jednak N = (n3 /3 n/3) za matricu A i n2 za vektor b, to za sistem od 10
jednaina iznosi 430, a za sistem od 100 jednaina 343,000. Dakle, Gaussova
metoda eliminacije je daleko bra nego Cramerovo pravilo.
Algoritam za Gaussovu metodu eliminacije (sa djeliminim izborom glavnog
elementa), koji je prikladan za programiranje, imao bi oblik:
1. Definisati koeficijente matrice A, vektora b, te pomonog vektora o .
2. Poevi od prve kolone, treba normalizirati kolone k (k = 1, 2, . . . n 1) i
traiti po veliini najvei elemenat u koloni k te zamijeniti redove kako bi
se taj koeficijent postavio u poziciju glavnog elementa akk . U optimalnom
algoritmu, ne vri se zamjena vrijednosti svih koeficijenata, tj. zamjena
jednaina, nego se samo u pomonom vektoru o oznai/markira data
promjena.
3. Za kolonu k (k = 1, 2, . . . , n 1) se primijeni procedura eliminacije na
redove i (i = k + 1, k + 2, . . . , n) kako bi se stvorile nule ispod glavnog
elementa, akk . Na taj nain se dobija:
aik
aij = aij
akj (i, j = k + 1, k + 2, . . . , n)
(3.33)
akk
aik
akj
(i = k + 1, k + 2, . . . , n)
(3.34)
bi = bi
akk
Nakon to se primijeni ovaj korak na svih k kolona, originalna matrica A
postaje gornja trougaona.
4. Rijeiti nepoznanice x koristei zamjenu unazad, tako da je:
xn =
bn
ann
bi
xi =
(3.35)
n
X
j=i+1
aii
aij xj
(i = n 1, n 2, . . . , 1)
(3.36)
Pomoni elemenat se koristi u sluajevima izbora glavnog elementa kako bi se izbjegla zamjena koeficijenata matrice, i time utedilo vrijeme raunanja.
45
Gauss-Jordanova metoda eliminacije je varijacija Gaussove metode eliminacije, u kojoj se i elementi iznad kao i elementi ispod glavne dijagonale eliminiu
(izjednaavaju sa nulom). Na taj nain se matrica A transformie u dijagonalnu matricu. Redovi se obino skaliraju kako bi se dobili jedinini dijagonalni
elementi, pa se matrica A pretvara u jedininu matricu. Tada vektor b postaje
vektor rjeenja x. Gauss-Jordanova metoda je, na taj nain, pogodna za vie
vektora b, tj. kada je neophodno simultano rijeiti vie sistema sa razliitim
vektorima b, i direktno oitavati rjeenja svih sistema.
Broj mnoenja i dijeljenja za Gauss-Jordanovu metodu eliminacije je priblino jednak N = (n3 /2 n/2) + n2 , to je za oko 50% vie nego za Gaussovu
metodu eliminacije.
Primjer 3.4
Primjer 3.1 rijeiti Gauss-Jordanovom metodom.
Rjeenje
Prvi korak u procesu rjeavanja Gauss-Jordanovom metodom predstavlja
skaliranje prve jednaine, odnosno dijeljenje svih elemenata jednaine sa glavnim elementom, tj.
(a)
80 20 20 20
/80
(b)
20
40 20 20
(3.37)
(c)
20 20 130 20
pa se dobija:
(a)
1 0.25 0.25 0.25
(b) 20
40
20 20
(c)
20
20
130 20
(20)+(b),(20)+(c)
(3.38)
(a)
1 0.25 0.25 0.25
(b) 0
35
25 25 /35
(3.39)
(c)
0
25
125
25
(a)
1 0.25 0.25 0.25
(b) 0
1 5/7 5/7 (0.25)+(a),(25)+(c)
(3.40)
(c)
25
0
25
125
46
Sada se vri
reda, tj.
(a)
(b)
(c)
(a)
(b)
(c)
i konano
1
0
0
3/7
5/7
300/7
/(750/7)
1 0 3/7 3/7
0 1 5/7 5/7
(3/7)+(a),(5/7)+(b)
0 0
1 215
1 0 3/7
0 1 5/7
0 0 750/7
se dobija:
0 0 0.6
1 0 1.0
0 1 0.4
(3.41)
(3.42)
(3.43)
Gauss-Jordanova metoda se moe koristiti za dobijanje inverzne matrice matrice koeficijenata sistema, A, tako da se matrica sistema A poroiri jedininom matricom, a zatim primijeni Gauss-Jordanov algoritam. Proces se moe
shematski prikazati sljedeom relacijom:
[A|I] [I|A1 ]
(3.44)
Primjer 3.5
Nai inverznu matricu koeficijenata sistema iz primjera 3.1 koristei GaussJordanovu metodu.
Rjeenje
Proirivanjem matrice koeficijenata iz jednaine (3.7) jedininom matricom,
dobijamo:
80 20 20 1 0 0
40 20 0 1 0
[A|I] = 20
(3.45)
20 20 130 0 0 1
47
Primjenjujui Gauss-Jordanovu
(3.45) se moe svesti na oblik:
1 0 0 2/125 1/100
0 1 0 1/100 1/30
0 0 1 1/250 1/150
1/250
1/150
7/750
(3.46)
(3.47)
Matrina metoda
(3.48)
(3.49)
i konano
x = A1 b
(3.50)
3.1.4
Metode faktorizacije
(3.52)
(3.53)
(3.54)
1
0 0
80 20
20
1 0 U = 0
35
25
L = 0.25
(3.55)
0.25 5/7
1
0
0 750/7
49
1
0 0
b1
20
0.25
1 0 b02 = 20
(3.56)
0.25 5/7
1
b03
20
i zamjenom unaprijed:
b01 = 20
b02 = 20 (1/4)20 = 25
b03 = 20 (1/4)20 (5/7)25 = 300/7
Uvrtavajui dobijeni vektor b u jednainu (3.54) dobija se:
80 20
20
x1
20
0
35
25 x2 =
25
0
0 750/7
x3
300/7
(3.57a)
(3.57b)
(3.57c)
(3.58)
i zamjenom unaprijed:
x3 = 300/750 = 0.40
x2 = 25 [(25)0.4]/35 = 1.0
x1 = 20 20 [(20)1.0 + (20)0.4]/80 = 0.60
(3.59a)
(3.59b)
(3.59c)
Osnovna prednost metoda faktorizacije je u tome to je broj operacija mnoenja i dijeljenja, kada su poznate matrice L i U, jednak n2 , to je mnogo
50
Svi dobro podeeni nesingularni numeriki problemi imaju tano rjeenje. Ovo
rjeenje se, teoretski, uvijek moe ostvariti koritenjem razlomaka ili beskonano dugih brojeva. Meutim, svi praktini prorauni se ostvaruju sa konanim brojevima, koji kao posljedicu sadre greke zaokruivanja. Na taj nain,
greke zaokruivanja, mogu promijeniti rezultat prorauna.
Dobro podeen sistem je onaj kod kojeg male promjene bilo kojeg elementa
sistema uzrokuju male promjene u rezultatu problema. Nasuprot tome, slabo
podeen sistem je onaj kod kojeg male promjene nekog elementa uzrokuju
velike promjene u rjeenju sistema. S obzirom da su slabo podeeni sistemi
veoma osjetljivi na male promjene elemenata problema, oni su osjetljivi i na
greke zaokruivanja.
Primjer 3.8
Pokaimo ponaanje jednog slabo podeenog sistema na sljedeem primjeru:
x1 + x 2 = 2
(3.60a)
51
x1 + 1.0001x2 = 2.0001
(3.60b)
(a)
1
1
2
(1)+(b)
(3.61)
(b)
1 1.0001 2.0001
1
1
2
(3.62)
0 0.0001 0.0001
to dovodi do rjeenja x2 = 1 i x1 = 1.
Posmatrajmo sada sistem kod kojeg smo koeficijent a22 promijenili sa 1.0001
na 0.9999. Imamo:
(a)
1
1
2
(1)+(b)
(3.63)
(b)
1 0.9999 2.0001
1
1
2
(3.64)
1 0.0001 0.0001
to dovodi do rjeenja x2 = 1 i x1 = 3, koje je potpuno drugaije od onog
prethodnog. Slino ponaanje bi se desilo ako bismo elemenat b2 promijenili
za neku malu veliinu. Dakle, male promjene u koeficijentima sistema dovele
su do znatnih promjena u rjeenju sistema, to pokazuje da je sistem slabo
podeen.
Jedini pravi lijek protiv problema slabe podeenosti je koritenje beskonano
dugih brojeva. Kako to nije mogue ostvariti, ostaje samo pokuaj da se
skaliranjem i zamjenama redova pobolja podeenost sistema.
Podeenost sistema se procjenjuje koritenjem norme matrice sistema i
broja podeenosti . Postoji vie definicija norme matrice sistema, kao:
kAk1 = max
1jn
kAk = max
n
X
|aij |
i=1
n
X
1jn
(3.65a)
(3.65b)
j=1
kAk2 = min i
n n
!
XX
2
kAke =
aij
i=1 j=1
52
spektralna norma
(3.65c)
Euklidska norma
(3.65d)
(3.66)
1
1
A=
1 0.0001
pa bi Euklidska norma imala vrijednost:
n n
!
XX
kAke =
a2ij = 12 + 12 + 12 + 1.00012 = 2.00005
(3.67)
(3.68)
i=1 j=1
10001 10000
1
A =
10000
10000
1
kA ke =
n n
XX
(3.69)
!
a2ij
= 20000.5
(3.70)
i=1 j=1
(3.71)
53
3.2
Iterativne metode
Za mnoge velike sisteme linearnih jednaina, koji proistiu iz inenjerskih problema, matrica koeficijenata A je rijetka, tj. veina elemenata jednaka je nuli.
U tom sluaju mnogo je efikasnije za njihovo rjeavanje koristiti iterativne nego
direktne metode.
Iterativne metode, kao i kod rjeavanja nelinearnih jednaina, poinju sa
pretpostavkom poetnog rjeenja x(0) . Ovo rjeenje se zatim koristi za dobivanje boljeg rjeenja x(1) na osnovu neke strategije smanjenja razlike izmeu
x(0) i stvarnog rjeenja x. Postupak se nastavlja do postizanja eljene tanosti.
Procedura je konvergentna ako se sa poveanjem broja iteracija aproksimacija
rjeenja pribliava tanom rjeenju.
Iterativne metode ne konvergiraju uvijek za sve jednaine u datom sistemu,
niti za sve mogue rasporede jednaina nekog sistema. Dovoljan uslov za konvergenciju iterativnih metoda opisanih u ovom poglavlju za bilo koji poetni
vektor rjeenja x je dijagonalna dominantnost matrice sistema. Pri tome, matrica je dijagonalno dominantna ako je apsolutna vrijednost svakog elementa na
glavnoj dijagonali jednaka ili vea od zbira apsolutnih vrijednosti svih ostalih
elemenata u tom redu, pri emu je za bar jedan red apsolutna vrijednost dijagonalnog elementa vea od odgovarajueg zbira apsolutnih vrijednosti ostalih
elemenata, ili
|aii |
n
X
|aij |
(i = 1, 2, . . . , n)
(3.72)
j=1
j6=i
koritene metode
poetnog vektora rjeenja
zahtijevanog kriterija konvergencije.
3.2.1
Jacobijeva metoda
Posmatrajmo opti sistem linearnih algebarskih jednaina Ax=b, koji u indeksnoj notaciji ima oblik:
n
X
aij xj = bi
(i = 1, 2, . . . , n)
(3.73)
j=1
!
i1
n
X
X
1
xi =
bi
aij xj
aij xj
(i = 1, 2, . . . , n)
(3.74)
aii
j=1
j=i+1
Neka je x(0) vektor poetnog rjeenja, gdje indeks u zagradi oznaava broj
iteracije. Prva aproksimacija se dobija pomou ovog vektora na osnovu jednakosti:
!
i1
n
X
X
1
(1)
(0)
(0)
xi =
bi
aij xj
aij xj
(i = 1, 2, . . . , n)
(3.75)
aii
j=1
j=i+1
a analogno se moe dobiti i rekurzivna formula Jacobijevog algoritma:
!
i1
n
X
X
1
(k+1)
(k)
(k)
xi
=
bi
aij xj
aij xj
(i = 1, 2, . . . , n) (3.76)
aii
j=1
j=i+1
ili u neto prikladnijem obliku:
!
n
X
1
(k+1)
(k)
(k)
xi
= xi +
bi
aij xj
aii
j=1
(i = 1, 2, . . . , n)
(3.77)
(k)
xi
(k)
R
+ i
aii
(i = 1, 2, . . . , n)
(3.78)
55
gdje
(k)
Ri
= bi
n
X
(k)
aij xj
(i = 1, 2, . . . , n)
(3.79)
j=1
predstavlja ostatak (rezidual) i-te jednaine. Kao i u ostalim iterativnim postupcima, formule (3.77) ili (3.78) se koriste dok se ne postigne eljena tanost.
Jacobijeva metoda se ponekad naziva i metoda simultanih iteracija, jer se
sve vrijednosti xi iteriraju simultano. Iz formule (3.77) se vidi da vrijednost
(k+1)
(k)
zavisi samo o xi , tj. o vrijednostima iz prethodne iteracije, pa red
xi
procesiranja jednaina nije nebitan.
Primjer 3.10
Rijeiti sljedei sistem linearnih jednaina:
4 1
0
1
0
x1
1
4 1
0
1
x2
0 1
4 1
0 x3
=
1
0 1
4 1 x4
0
1
0 1
4
x5
100
100
100
100
100
(3.80)
=
=
=
=
=
100
100
100
100
100
(3.81a)
(3.81b)
(3.81c)
(3.81d)
(3.81e)
(3.82a)
(3.82b)
x3 = 25 + 0.25x2 + 0.25x4
x4 = 25 0.25x1 + 0.25x3 + 0.25x5
x5 = 25 0.25x2 + 0.25x4
(3.82c)
(3.82d)
(3.82e)
25.000000
25.000000
35.714285
35.714285
x3
0.000000
25.000000
37.500000
40.625000
42.187500
..
.
x4
0.000000
25.000000
31.250000
34.375000
35.156250
..
.
x5
0.000000
25.000000
25.000000
25.000000
25.000000
..
.
42.857142
42.857143
35.714285
35.714285
25.000000
25.000000
Lako je uoiti da je sistem jednaina, odnosno matrica koeficijenata jednaine (3.80), simetrian, tako da vrijedi da je x1 = x5 , i x2 = x4 .
Do istih rezultata se moglo doi i koristei opti oblik, tj. jednainu (3.78).
Prvo se na osnovu jednaine (3.79) odrede reziduali:
R1
R2
R3
R4
R1
=
=
=
=
=
100 4x1 + x2 x4
100 + x1 4x2 + x3 x5
100 + x2 + 4x3 + x4
100 x1 + x3 4x4 + x5
100 x2 + x4 4x5
(3.83a)
(3.83b)
(3.83c)
(3.83d)
(3.83e)
a nakon toga se uvrtenjem u jednainu (3.78) dobivaju vrijednosti xi . Postupak se ponavlja dok se ne dostigne eljena tanost.
57
3.2.2
Gauss-Seidelova metoda
(k+1)
(k)
!
i1
n
X
X
1
(k+1)
(k+1)
(k)
xi
=
bi
aij xj
aij xj
(i = 1, 2, . . . , n) (3.84)
aii
j=1
j=i+1
ili u optem obliku:
(k)
Ri
(k)
R
=
+ i
(i = 1, 2, . . . , n)
aii
i1
n
X
X
(k+1)
(k)
= bi
aij xj
aij xj
(i = 1, 2, . . . , n)
(k+1)
xi
(k)
xi
j=1
(3.85)
(3.86)
j=i
Upravo zbog toga to se koriste tek izraunate vrijednosti pojedinih nepoznanica, Gauss-Seidelova metoda se naziva i metoda sukcesivne iteracije.
Primjer 3.11
Rijeiti problem iz zadatka 3.10 koristei Gauss-Sedelovu metodu.
Rjeenje
Postupak rjeavanja Gauss-Seidelovom je vrlo slian Jacobijevoj metodi, s
tom razlikom to se u proraunu koriste najnovije vrijednosti rjeenja. Na taj
nain, jednaina (3.82) ima oblik:
(k+1)
x1
(k+1)
x2
(k+1)
x3
(k+1)
x4
(k+1)
x5
(k)
(k)
= 25 + 0.25x2 0.25x4
= 25 +
= 25 +
= 25
= 25
(k+1)
0.25x1
(k+1)
0.25x2
(k+1)
0.25x1
(k+1)
0.25x2
+
+
+
+
(k)
(k)
0.25x3 0.25x5
(k)
0.25x4
(k+1)
(k)
0.25x3
+ 0.25x5
(k+1)
0.25x4
(3.87a)
(3.87b)
(3.87c)
(3.87d)
(3.87e)
x1
(1)
x2
(1)
x3
(1)
x4
(1)
x5
(0)
(0)
(1)
0.25x1
(1)
0.25x2
(1)
0.25x1
(1)
0.25x2
(0)
0.25x3
(0)
0.25x4
(1)
0.25x3
(1)
0.25x4
= 25 + 0.25x2 0.25x4 = 0
= 25 +
= 25 +
= 25
= 25
+
+
+
+
(3.88a)
(0)
0.25x5
= 31.25
= 32.8125
+
(0)
0.25x5
(3.88b)
(3.88c)
= 26.953125
= 23.925781
(3.88d)
(3.88e)
25.000001
25.000000
35.714286
35.714286
x3
0.000000
32.812500
40.173340
42.363453
..
.
x4
0.000000
26.953125
34.506226
35.686612
..
.
x5
0.000000
23.925781
25.191498
25.184757
..
.
42.857143
42.857143
35.714285
35.714286
25.000000
25.000000
R1
(k+1)
R2
(k+1)
R3
(k+1)
R4
(k+1)
R1
(k)
(k)
(k)
= 100 4x1 + x2 x4
= 100 +
= 100 +
= 100
= 100
(k+1)
x1
(k+1)
x2
(k+1)
x1
(k+1)
x2
+
+
+
(k)
(k+1)
4x2 + x3
(k)
(k)
4x3 + x4
(k+1)
(k)
x3
4x4
(k)
(k+1)
x4
4x5
(3.89a)
(k+1)
x5
(k)
x5
(3.89b)
(3.89c)
(3.89d)
(3.89e)
59
3.2.3
Metode relaksacije
Iterativne metode se esto same po sebi nazivaju relaksacionim metodama, poto iterativnu proceduru moemo posmatrati kao relaksaciju vektora rjeenja
x(0) za rjeenje x. Ipak, termin relaksacija vezan je za tzv. Southwellovu metodu relaksacije, kod koje se kombinuju dva procesa kako bi se ubrzala konvergencija: (i) red relaksacije se odreuje traenjem po veliini najveeg reziduala
|Ri |max i (ii) relaksira se odgovarajua jednaina tako da bude (Ri )max = 0.
Ipak, proces traenja najveeg reziduala za velike sisteme je veoma spor, tako
da nije efikasan. Zato se esto primjenjuje malo drugaija metoda koja se
naziva i metoda sukcesivne nadrelaksacije (tzv. SOR metoda).
(k)
Metoda sukcesivne nadrelaksacije ukljuuje mnoenje reziduala Ri sa relaksirajuim faktorom , pa bi za Gauss-Seidelovu metodu, na primjer, imala
oblik:
(k)
Ri
(k)
R
=
+ i
(i = 1, 2, . . . , n)
aii
i1
n
X
X
(k+1)
(k)
= bi
aij xj
aij xj
(i = 1, 2, . . . , n)
(k+1)
xi
(k)
xi
j=1
(3.90)
(3.91)
j=i
60
Successive-Over-Relaxation
Primjer 3.12
Rijeiti problem iz zadatka 3.10 koristei metodu relaksacije Gauss-Sedelove
metode. Uzeti da je = 1.10.
Rjeenje
Metode relaksacije pogodno je raditi kada se algoritam za Gauss-Seidelovu
metodu prikae jednainom (3.85), odnosno kada se koristi jednaina (3.90).
Uzimajui da je poetna aproksimacija jednaka
x(0)T = [ 0.0 0.0 0.0 0.0 0.0]
prema jednaini (3.89) se dobija rezidual
(0)
R1 = 100.00
pa je:
100.00
= 27.50
4
Uvrtavajui dobijenu vrijednost u jednainu (3.89b) dobija se:
(1)
(3.92)
(1)
(3.93)
x1 = 0 + 1.1
127.50
= 35.0625
(3.94)
4
Nakon raunanja vrijednosti x3 , x4 i x5 , prelazi se na sljedeu iteraciju, i
postupak se nastavlja do postizanja eljene tanosti. U tabeli 3.3 date su
ostale vrijednosti prorauna. Jasno vidi da je broj iteracija manji nego koristei
prethodne dvije metode.
(1)
x2 = 0 + 1.1
3.3
Ostale metode
3.4
24.999996
25.000000
25.000000
35.714285
35.714286
35.714286
x3
0.000000
37.142188
41.480925
42.914285
..
.
x4
0.000000
30.151602
35.905571
35.968342
..
.
x5
0.000000
26.149503
25.355629
25.167386
..
.
42.857145
42.857143
42.857143
35.714287
35.714286
35.714286
25.000000
25.000000
25.000000
Pitanja i zadaci
=
=
=
=
9
27
19
14
c)
1 2 1
x1
1
2
1 2 x2 = 3
1
1 3
x3
8
d)
2 2
2
1
x1
2 4
1
3 x2
1
3 4
2 x3
2
4
3 2
x4
7
10
=
14
1
2
1
0
0
1
2
1
0
0
1
2
1
0
x1
x2
0
1 x3
2
x4
2
3
2
0
0
2
3
2
0
x1
x2
0
2 x3
3
x4
4
8
=
12
11
b)
3
2
0
0
12
17
=
14
7
c)
2
1
0
0
x1
1 2
1
0 x2
0
1 2
1 x3
0
0
1 2
x4
1
2
=
7
1
d)
2 1
0
0
x1
1
x2
2
1
0
0 1
2 1 x3
0
0 1
2
x4
5
1
=
0
8
64